CN110598290B - 考虑气候变化的流域未来水电发电能力预测方法和系统 - Google Patents
考虑气候变化的流域未来水电发电能力预测方法和系统 Download PDFInfo
- Publication number
- CN110598290B CN110598290B CN201910820264.4A CN201910820264A CN110598290B CN 110598290 B CN110598290 B CN 110598290B CN 201910820264 A CN201910820264 A CN 201910820264A CN 110598290 B CN110598290 B CN 110598290B
- Authority
- CN
- China
- Prior art keywords
- basin
- model
- data
- future
- runoff
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种考虑气候变化的流域未来水电发电能力预测方法和系统,属于水文预报、发电调度交叉领域,方法包括:利用GCMs预报因子结合和统计降尺度模型预测流域未来降雨、气温情景;采集历史径流数据,将流域历史气象数据和历史径流数据输入VIC水文模型,对VIC水文模型的模型参数进行率定和检验,得到流域降雨径流模型,将预测的流域未来降雨、气温情景输入降雨径流模型,得到流域断面未来径流情景;建立流域水库群联合发电优化调度模型,将流域断面未来径流情景输入流域水库群联合发电优化调度模型,预测流域未来水电发电能力。本发明考虑了流域气候变化、考虑了流域下垫面分布不均匀,缓解了大规模水库群调度的维数灾的问题。
Description
技术领域
本发明属于水文预报、发电调度交叉领域,更具体地,涉及一种考虑气候变化的流域未来水电发电能力预测方法和系统。
背景技术
流域水库群是一个复杂庞大的系统,其发电能力预测涉及水文预报以及水库调度领域,影响因素众多,预测难度大,在方法和思路上需要突破和创新。针对流域未来径流预测,现有方法可分为数据统计方法以及成因分析方法,前者主要包括经典回归分析方法、神经网络方法、非线性时间序列分析法以及模糊数学方法,主要通过数据建立统计关系,而不考虑物理机制;后者主要通过建立概念性水文模型模拟未来降雨径流情况,结合了经验公式以及物理成因分析方法的优点。现有预报方法大多存在未涉及未来气候变化情景的缺陷,无法保证在长序列模拟准确性;并且传统数据统计方法以及成因分析方法在径流模拟层面没有考虑流域下垫面分布不均匀的特点。在水库群联合调度方面,由于水库众多,采用动态规划存在维数灾问题,而智能算法存在局部收敛问题,一直是亟待解决的问题。
由此可见,现有技术存在没有考虑流域气候变化、没有考虑流域下垫面分布不均匀以及维数灾的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种考虑气候变化的流域未来水电发电能力预测方法和系统,由此解决现有技术存在没有考虑流域气候变化、没有考虑流域下垫面分布不均匀以及维数灾的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种考虑气候变化的流域未来水电发电能力预测方法,包括如下步骤:
(1)采集历史NCEP数据、流域历史气象数据和未来不同RCP排放情景下的GCMs预报因子数据,将历史NCEP数据、流域历史气象数据输入统计降尺度模型,从历史NCEP数据中选取预报因子,得到预报因子与降雨、最高气温、最低气温间的统计关系,根据GCMs预报因子数据和统计关系预测流域未来降雨、气温情景;
(2)采集历史径流数据,将流域历史气象数据和历史径流数据输入VIC水文模型,对VIC水文模型的模型参数进行率定和检验,得到流域降雨径流模型,将步骤(1)预测的流域未来降雨、气温情景输入流域降雨径流模型,得到流域断面未来径流情景;
(3)建立流域水库群联合发电优化调度模型,将流域断面未来径流情景输入流域水库群联合发电优化调度模型,预测流域未来水电发电能力。
进一步地,步骤(1)还包括:利用决定系数r2对统计降尺度模型进行率定和检验。
进一步地,决定系数r2为:
进一步地,不同RCP排放情景包括:RCP2.6、RCP4.5、RCP8.5。
进一步地,步骤(2)包括如下子步骤:
(21)采集历史降雨径流数据、土壤数据、植被覆盖数据和气象压迫数据;
(22)对流域进行网格划分,得到流域网格,将土壤数据和植被覆盖数据提取至流域网格,得到土壤输入文件和土地利用输入文件;
(23)对气象压迫数据依次进行插补和插值,得到气象压迫输入文件;
(24)利用土壤输入文件、土地利用输入文件和气象压迫输入文件,建立VIC水文模型;
(25)对VIC水文模型的模型参数进行率定和检验,得到流域降雨径流模型;
(26)将步骤(1)预测的流域未来降雨、气温情景输入流域降雨径流模型,得到流域断面未来径流情景。
进一步地,子步骤(26)包括:
将步骤(1)预测的流域未来降雨、气温情景插值至降雨径流模型的流域网格,在每个流域网格中进行产流计算后汇流得到流域断面未来径流情景。
进一步地,VIC水文模型的模型参数通过纳什效率系数Eday进行率定和检验;
进一步地,步骤(3)包括:
以流域内水库群发电量最大为目标,设置约束条件,建立流域水库群联合发电优化调度模型:
其中,M为水库群发电量,S为水库数量,T为总时段,Nij为第i个水库在第j时段的出力,Q′ij为发电流量,Δt为步长;
利用流域断面未来径流情景计算发电流量,将发电流量输入流域水库群联合发电优化调度模型,预测流域未来水电发电能力。
进一步地,约束条件包括水位约束、下泄流量约束、出力约束、水量平衡约束、上下游水力关联。
按照本发明的另一方面,提供了一种考虑气候变化的流域未来水电发电能力预测系统,包括:
第一模块,用于采集历史NCEP数据、流域历史气象数据和未来不同RCP排放情景下的GCMs预报因子数据,将历史NCEP数据、流域历史气象数据输入统计降尺度模型,从历史NCEP数据中选取预报因子,得到预报因子与降雨、最高气温、最低气温间的统计关系,根据GCMs预报因子数据和统计关系预测流域未来降雨、气温情景;
第二模块,用于采集历史径流数据,将流域历史气象数据和历史径流数据输入VIC水文模型,对VIC水文模型的模型参数进行率定和检验,得到流域降雨径流模型,将第一模块预测的流域未来降雨、气温情景输入流域降雨径流模型,得到流域断面未来径流情景;
第三模块,用于建立流域水库群联合发电优化调度模型,将流域断面未来径流情景输入流域水库群联合发电优化调度模型,预测流域未来水电发电能力。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明提出了一种融合统计降尺度模型、VIC水文模型以及流域水库群联合发电优化调度模型的流域未来水电发电能力预测方法,考虑了流域气候变化、考虑了流域下垫面分布不均匀,缓解了大规模水库群调度的维数灾的问题。为流域未来发电能力预测提供了一种新的途径。
(2)本发明利用GCMs预报因子结合统计降尺度模型预测流域未来降雨、气温情景,考虑了未来气候变化以及不同的温室气体排放情景,可以更准确地模拟流域气候变化情况。
(3)本发明采用VIC水文模型,考虑了流域下垫面的空间不均匀性,可以反映流域真实的产汇流情况;建立了流域内水库群联合优化调度模型,缓解了大规模水库群调度的维数灾的问题。
附图说明
图1是本发明实施例提供的一种考虑气候变化的流域未来水电发电能力预测方法的流程图;
图2是本发明实施例提供的研究区域示意图;
图3(a)是本发明实施例提供的寸滩站点实测以及模拟的月降雨量月平均值在率定期的柱状图;
图3(b)是本发明实施例提供的寸滩站点实测以及模拟的月降雨量平均值在检测期的柱状图;
图3(c)是本发明实施例提供的寸滩站点实测以及模拟的日最高气温月平均值在率定期的柱状图;
图3(d)是本发明实施例提供的寸滩站点实测以及模拟的日最高气温月平均值在检验期的柱状图;
图3(e)是本发明实施例提供的寸滩站点实测以及模拟的日最低气温月平均值在率定期的柱状图;
图3(f)是本发明实施例提供的寸滩站点实测以及模拟的日最低气温月平均值在检验期的柱状图;
图4(a)是本发明实施例提供的寸滩断面的年降雨量模拟结果;
图4(b)是本发明实施例提供的寸滩断面的降雨量年内分布模拟结果;
图4(c)是本发明实施例提供的寸滩断面的年平均最高气温模拟结果;
图4(d)是本发明实施例提供的寸滩断面的年平均最低气温模拟结果;
图5(a)是本发明实施例提供的流域DEM图;
图5(b)是本发明实施例提供的河网流向图;
图6(a)是本发明实施例提供的攀枝花断面率定期及验证期模拟流量与实测流量对比图;
图6(b)是本发明实施例提供的溪洛渡断面率定期及验证期模拟流量与实测流量对比图;
图6(c)是本发明实施例提供的朱沱断面率定期及验证期模拟流量与实测流量对比图;
图6(d)是本发明实施例提供的寸滩断面率定期及验证期模拟流量与实测流量对比图;
图7(a)是本发明实施例提供的攀枝花断面模拟结果;
图7(b)是本发明实施例提供的向家坝断面模拟结果;
图7(c)是本发明实施例提供的宜昌断面模拟结果;
图8是本发明实施例提供的流域水库群未来发电能力柱状图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种考虑气候变化的流域未来水电发电能力预测方法,包括如下步骤:
(1)采集历史NCEP(National Centers for Environmental Prediction,美国国家环境预报中心)数据、流域历史气象数据和未来不同RCP(RepresentativeConcentration Pathways,温室气体)排放情景下的GCMs(General Circulation Models,大气环流模式)预报因子数据,将历史NCEP数据、流域历史气象数据输入统计降尺度模型,从历史NCEP数据中选取预报因子,得到预报因子与降雨、最高气温、最低气温间的统计关系,根据GCMs预报因子数据和统计关系预测流域未来降雨、气温情景;
(2)采集历史气象数据和历史径流数据,将流域历史气象数据和历史径流数据输入VIC水文模型,对VIC水文模型的模型参数进行率定和检验,得到流域降雨径流模型,将步骤(1)预测的流域未来降雨、气温情景输入流域降雨径流模型,得到流域断面未来径流情景;
(3)建立流域水库群联合发电优化调度模型,将流域断面未来径流情景输入流域水库群联合发电优化调度模型,预测流域未来水电发电能力。
进一步地,步骤(1)还包括:利用决定系数r2对统计降尺度模型进行率定和检验。
进一步地,决定系数r2为:
进一步地,步骤(2)包括如下子步骤:
(21)采集历史径流数据、土壤数据、植被覆盖数据和气象压迫数据;
(22)对流域进行网格划分,得到流域网格,将土壤数据和植被覆盖数据提取至流域网格,得到土壤输入文件和土地利用输入文件;
(23)对气象压迫数据依次进行插补和插值,得到气象压迫输入文件;
(24)利用土壤输入文件、土地利用输入文件和气象压迫输入文件,建立VIC水文模型;
(25)对VIC水文模型的模型参数进行率定和检验,得到流域降雨径流模型;
(26)将步骤(1)预测的流域未来降雨、气温情景输入流域降雨径流模型,得到流域断面未来径流情景。
进一步地,子步骤(26)包括:
将步骤(1)预测的流域未来降雨、气温情景插值至降雨径流模型的流域网格,在每个流域网格中进行产流计算后汇流得到流域断面未来径流情景。
进一步地,VIC水文模型的模型参数通过纳什效率系数Eday进行率定和检验;
具体地,准备VIC水文模型的输入文件包括:
对目标流域划分网格,输入文件包括土壤数据、植被覆盖数据、气象压迫数据以及河网流向数据、流域边界网格产流比例数据、上下游网格间距、流速数据等流域特性数据以及研究断面的经纬度数据。
①流域网格划分
首先下载目标流域的DEM高程数据,在ArcGIS软件中对DEM数据进行填洼、流向计算、流量计算、栅格计算器、栅格河网矢量化、分水岭等一系列操作之后获取流域河网图以及流域区域图;再利用面转栅格工具将流域区域图划分为网格形式。
②流向数据获取
由于VIC水文模型采用D8算法计算汇流过程,因此基于获取的河网矢量图,按照D8算法汇流原则绘制流域的河网流向图。
③流域边界网格产流比例数据获取
由于流域边界的网格中,包含两个或者以上流域,目标流域的面积只占其中一部分,对流域区域图进行计算几何操作,获取流域边界网格中流域面积占比数据。
④土壤数据获取
下载土壤数据,获取流域范围的土壤分布情况,按照土壤分布情况将不同土壤的参数数据提取至相应网格,整理导出VIC模型产流模块的土壤输入文件。
⑤植被覆盖数据获取
下载植被覆盖数据,并按照各网格的覆盖类型将对应的参数提取至相应网格,整理导出土地利用输入文件。
⑥气象压迫数据获取
下载整理流域内各气象站点气象压迫数据(即日降雨、日最高气温、日最低气温),对数据不足月份进行插补,完成后利用IDW法插值获取所有网格的气象数据序列,整理导出VIC水文模型的气象压迫输入文件。
⑦其他输入文件
对于上下游网格间距按照划分网格的分辨率取值,流速数据按照经验取常数,另外全局文件记录了输入数据的年份以及输入文件路径等信息。
对VIC水文模型进行参数率定,需要率定的参数包括b(蓄水容量曲线指数)、Ds(非线性基流发生时流速占Dm的比例)、Dm(基流最大流速)、Ws(非线性基流发生时土壤含水率占饱和含水率的比例)、d1、d2、d3(第1、2、3层土壤厚度)。以纳什效率系数Eday最优为目标采用坐标轮换法对流域各个断面参数进行率定。以纳什效率系数Eday、月纳什效率系数Emon以及总体流量相对误差eall为率定指标。
其中,为t时段的实测流量,为t时段的模拟流量,T为总时段,为T时段实测流量的平均值。月纳什效率系数Emon的公式中将和的左下标均添加了m,分别表示t时段的月实测流量、t时段的月模拟流量和T时段月实测流量的平均值。
不同RCP排放情景包括:RCP2.6、RCP4.5、RCP8.5,步骤(1)预测的流域未来降雨、气温情景实际上是上述三种排放情景下流域未来日降雨、日最高气温、日最低气温数据,用反距离插值法插值至流域网格,每个流域网格进行产流计算,采用D8算法进行汇流计算,获得流域内各断面三种未来气候情景下预测的径流序列,即流域断面未来径流情景。
进一步地,步骤(3)包括:
以流域内水库群发电量最大为目标,设置约束条件,建立流域水库群联合发电优化调度模型:
其中,M为水库群发电量,S为水库数量,T为总时段,Nij为第i个水库在第j时段的出力,Q′ij为发电流量,Δt为步长;
利用流域断面未来径流情景计算发电流量,将发电流量输入流域水库群联合发电优化调度模型,预测流域未来水电发电能力。
进一步地,约束条件包括水位约束、下泄流量约束、出力约束、水量平衡约束、上下游水力关联。
①水位约束包括各水库初末水位限制以及时段水位限制:
②下泄流量约束如下:
③水库出力约束如下:
④水库发电水头计算如下:
Hij=(Zij+Zi,j+1)/2-fi QZ(Qij)
式中,Hij表示水库i在时段j的发电水头;Zij、Zi,j+1表示水库i在时段j的初末库水位;fi QZ为下游水位下泄流量曲线。
⑤水量平衡约束如下:
Vi,j+1=Vij+(Iij-Qij)Δt
式中,Vij、Vi,j+1表示水库i在时段j以及j+1的初始库水量;Iij表示其时段入库流量。
⑥上下游水力联系如下:
式中,Ωi表示水库i上游所有直接水库;Qkj表示水库k在时段j的下泄流量;Bij表示水库i在时段j的区间流量。
为了更清晰地体现本发明的目的以及所采用的方法和整体框架,以长江上游流域为研究区域,对本发明内容进行了进一步的说明。
步骤1,收集1970年-2005年流域范围NCEP再分析数据以及2005年-2100年GCM数据,采用CanESM2模式;收集如图2所示的长江上游流域石鼓、攀枝花、溪洛渡、向家坝、朱沱、寸滩、宜昌7个气象站点的1970年-2005年历史日降雨量、日最高气温、日最低气温数据,利用SDSM模型进行流域气候模式数据降尺度以及未来气候情景模拟。
(1)优选预报因子,待选因子如表1:
表1 26个预报因子
预报因子 | 含义 | 预报因子 | 含义 |
mslp | 平均海平面气压 | p5zh | 500hpa散度 |
p1_f | 近地表风速 | p8_f | 850hpa风速 |
p1_u | 近地表经向温度 | p8_u | 850hpa经向温度 |
p1_v | 近地表纬向温度 | p8_v | 850hpa纬向温度 |
p1_z | 近地表涡度 | p8_z | 850hpa涡度 |
p1th | 近地表风向 | p850 | 850hpa位势高度 |
p1zh | 近地表散度 | p8th | 850hpa风向 |
p5_f | 500hpa风速 | p8zh | 850hpa散度 |
p5_u | 500hpa经向温度 | prcp | 降水 |
p5_v | 500hpa纬向温度 | s500 | 500hpa相对湿度 |
p5_z | 500hpa涡度 | s850 | 850hpa相对湿度 |
p500 | 500hpa位势高度 | shum | 近地表湿度 |
p5th | 500hpa风向 | temp | 近地表气温 |
优选后的部分站点预报因子如下:
石鼓降雨量因子:mslp、p1_u、p5_z、p500、p8_u、s500、temp;
石鼓最高气温因子:mslp、p5_u、p500、p850、s500、s850、shum、temp;
石鼓最低气温因子:mslp、p1_u、p5_z、p500、p8_u、s500、temp;
溪洛降雨量因子:p1_f、p1_z、p1zh、p5_z、p8_z、prcp、s500;
溪洛渡最高气温因子:mslp、p5_u、p5_z、p500、s500、s850、shum、temp;
溪洛渡最低气温因子:ceshp1_u、p5_f、p500、p8_f、s850、shum、temp;
寸滩降雨量因子:mslp、p1_v、p5_u、p8_v、p850、s850、shum;
寸滩最高气温因子:mslp、p5_u、p500、p8_u、p850、s500、s850、shum、temp;
寸滩最低气温因子:mslp、p5_u、p500、p5th、p850、s500、s850、shum、temp。
(2)将流域气象站点的1970年-2005年历史日降雨量、日最高气温、日最低气温数据与选取的预测因子NCEP历史序列建立关系,将时序划分为两个时段(1970-1999年为率定期,2000-2005年为验证期),分别进行率定和检验,并计算决然系数,结果如表2所示,对比实测与模拟数据的月平均值。
表2 决然系数
时期 | 日降雨月平均值 | 日最高气温月平均值 | 日最低气温月平均值 |
率定期决然系数 | 0.764 | 0.969 | 0.976 |
检验期决然系数 | 0.778 | 0.969 | 0.982 |
由表2可知,对于日最高气温以及日最低气温,模拟效果优异,决然系数均达到0.95以上;降雨模拟数据的决然系数也达到了0.75以上,总体模拟效果良好,模型可用于未来气象情景模拟。图3(a)至图3(f)展示了寸滩站点实测以及模拟的日降雨量月平均值、日最高气温月平均值、日最低气温月平均值在率定期和检验期的柱状图。
(3)将2018年-2100年三种排放情景下的CanESM2模式预报因子序列输入所建立的SDSM模型,利用天气发生器生成流域站点未来气象数据序列,图4(a)至图4(d)给出了寸滩断面的模拟结果,包括年降雨量、年平均最高气温、年平均最低气温以及降雨量年内分布。由图4(a)至图4(d)可以看出未来流域内日最高温度、日最低温度总体呈现逐步上升趋势,并且随着RCP排放情景浓度的增加,气温增幅也变大,其中RCP8.5排放情景涨幅最大,尤其是在2050年之后,相比于历史时期的温度年平均值,涨幅基本在0.06以上。
步骤2,收集流域内气象站点历史气象数据以及流域主要断面的历史径流数据,以及DEM高程数据、植被覆盖数据,建立长江上游流域VIC模型并进行参数率定和模型检验,并输入步骤1所得的流域未来气象数据,获取流域径流序列。
(1)数据准备,下载DEM数据,DEM数据来源于中国科学院计算机网络信息中心地理空间数据云平台(http://www.gscloud.cn);下载土壤数据,土壤数据取自世界粮农组织(Food and Agriculture Organization of the United Nations),简称FAO(http://www.fao.org/geonetwork);植被覆盖数据为马里兰大学的全球1km分辨率土壤覆盖类型分布图(http://ldas.gsfc.nasa.gov/),并下载植被库文件,参考了LDAS(Land DataAssimilation System)的工作成果;流域站点历史气象数据来自中国气象数据网(http://data.cma.cn),数据时间长度为2014年7月1日到2018年6月30日。利用ArcGIS对DEM数据进行处理,对流域划分网格,获取流域的流向数据,将气象站点数据用IDW插值法插值至流域各网格中,并准备流域气象站点经纬度、全局文件等数据,流域DEM图如图5(a)所示,河网流向图如图5(b)所示。
(2)以历史数据第1年为预热期,第2、3年为率定期、第4年为检验期对模型参数进行参数率定以及检验,结果如表3。
表3 率定期及验证期纳什效率系数
通过表中数据可以看出,各断面模拟效果良好,率定期及验证期的Eday,绝大部分在0.8以上,且均达到0.7以上;Emon基本在0.95以上。其中攀枝花、溪洛渡、朱沱、寸滩断面的率定期及验证期模拟流量与实测流量对比如图6(a)至图6(d)所示。
(3)将步骤1的未来气象数据输入率定的VIC水文模型,模拟了各断面的2018年-2100年径流序列。将未来时段划分为2020s(2018-2044年)、2050s(2045-2071年)、2080s(2072-2100年)三阶段,其中攀枝花、向家坝、宜昌断面模拟结果如图7(a)至图7(c)所示。从图7(a)至图7(c)可以看出,未来2080s时期RCP8.5排放情景下的各断面径流较其他时期的不同排放情景有显著增加,另外2080s时期RCP4.5排放情景下的径流也较丰。
步骤3,建立长江上游流域62库水库群联合发电调度模型,并将步骤2所模拟的各断面未来径流作为水库群调度模型输入,计算水库群发电能力。计算各水库未来年均发电量结果如图8所示。可得,由于在高浓度排放情景下,流域径流也较丰,导致了发电量的提高。RCP2.6、RCP4.5以及RCP8.5排放情景下的未来流域水库群联合调度年平均发电量为7013.96亿KWh、7173.34亿KWh以及7604.60亿KWh。不同时期的不同排放情景下,流域水库群未来发电能力变化趋势如下表:
表4 长江上游流域水库群年均发电量
单位(亿KWh)
排放情景 | RCP2.6 | RCP4.5 | RCP8.5 |
2020s | 6880.79 | 6939.52 | 7021.51 |
2050s | 7190.84 | 7196.25 | 7353.14 |
2080s | 6973.27 | 7369.69 | 8381.58 |
可得在RCP2.6排放情景下,由于温室气体排放受到严格控制,排放到21世纪末逐渐趋于稳定,导致流域径流量减少,2080s时期在现状水电开发情势下发电能力要低于2050s时期;而RCP4.5以及RCP8.5情景下,由于温室气体未受到有效控制,流域范围的径流量变化为递增趋势,因此发电量也呈现不断增加的情况。
总体而言,本发明的方法考虑了未来气候变化以及不同的温室气体排放情景,可以更准确地模拟流域气候变化情况;采用VIC水文模型,考虑了流域下垫面的空间不均匀性,可以反映流域真实的产汇流情况;建立了流域内水库群联合优化调度模型,利用离散微分动态规划方法求解,缓解了大规模水库群调度的维数灾的问题。为流域未来发电能力预测提供了一种新的途径。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种考虑气候变化的流域未来水电发电能力预测方法,其特征在于,包括如下步骤:
(1)采集历史NCEP数据、流域历史气象数据和未来不同RCP排放情景下的GCMs预报因子数据,利用决定系数r2对统计降尺度模型进行率定和检验,所述决定系数r2为:
将历史NCEP数据、流域历史气象数据输入统计降尺度模型,从历史NCEP数据中选取预报因子,得到预报因子与降雨、最高气温、最低气温间的统计关系,根据GCMs预报因子数据和统计关系预测流域未来降雨、气温情景;
(2)采集历史径流数据,将流域历史气象数据和历史径流数据输入VIC水文模型,对VIC水文模型的模型参数进行率定和检验,得到流域降雨径流模型,将步骤(1)预测的流域未来降雨、气温情景输入流域降雨径流模型,得到流域断面未来径流情景;
所述VIC水文模型的模型参数以纳什效率系数Eday、月纳什效率系数Emon以及总体流量相对误差eall为率定指标;
其中,为t时段的实测流量,为t时段的模拟流量,为T时段实测流量的平均值,月纳什效率系数Emon的公式中将和的左下标均添加了m,分别表示t时段的月实测流量、t时段的月模拟流量和T时段月实测流量的平均值;
(3)以流域内水库群发电量最大为目标,设置约束条件,建立流域水库群联合发电优化调度模型:
其中,M为水库群发电量,S为水库数量,T为总时段,Nij为第i个水库在第j时段的出力,Q′ij为发电流量,Δt为步长;
利用流域断面未来径流情景计算发电流量,将发电流量输入流域水库群联合发电优化调度模型,预测流域未来水电发电能力;
所述约束条件包括水位约束、下泄流量约束、出力约束、水量平衡约束、上下游水力关联。
2.如权利要求1所述的一种考虑气候变化的流域未来水电发电能力预测方法,其特征在于,所述不同RCP排放情景包括:RCP2.6、RCP4.5、RCP8.5。
3.如权利要求1或2所述的一种考虑气候变化的流域未来水电发电能力预测方法,其特征在于,所述步骤(2)包括如下子步骤:
(21)采集历史径流数据、土壤数据、植被覆盖数据和气象压迫数据;
(22)对流域进行网格划分,得到流域网格,将土壤数据和植被覆盖数据提取至流域网格,得到土壤输入文件和土地利用输入文件;
(23)对气象压迫数据依次进行插补和插值,得到气象压迫输入文件;
(24)利用土壤输入文件、土地利用输入文件和气象压迫输入文件,建立VIC水文模型;
(25)对VIC水文模型的模型参数进行率定和检验,得到流域降雨径流模型;
(26)将步骤(1)预测的流域未来降雨、气温情景输入流域降雨径流模型,得到流域断面未来径流情景。
4.如权利要求3所述的一种考虑气候变化的流域未来水电发电能力预测方法,其特征在于,所述子步骤(26)包括:
将步骤(1)预测的流域未来降雨、气温情景插值至降雨径流模型的流域网格,在每个流域网格中进行产流计算后汇流得到流域断面未来径流情景。
5.一种考虑气候变化的流域未来水电发电能力预测系统,其特征在于,包括:
第一模块,用于采集历史NCEP数据、流域历史气象数据和未来不同RCP排放情景下的GCMs预报因子数据,利用决定系数r2对统计降尺度模型进行率定和检验,所述决定系数r2为:
将历史NCEP数据、流域历史气象数据输入统计降尺度模型,从历史NCEP数据中选取预报因子,得到预报因子与降雨、最高气温、最低气温间的统计关系,根据GCMs预报因子数据和统计关系预测流域未来降雨、气温情景;
第二模块,用于采集历史径流数据,将流域历史气象数据和历史径流数据输入VIC水文模型,对VIC水文模型的模型参数进行率定和检验,得到流域降雨径流模型,将第一模块预测的流域未来降雨、气温情景输入流域降雨径流模型,得到流域断面未来径流情景;所述VIC水文模型的模型参数以纳什效率系数Eday、月纳什效率系数Emon以及总体流量相对误差eall为率定指标;
其中,为t时段的实测流量,为t时段的模拟流量,为T时段实测流量的平均值,月纳什效率系数Emon的公式中将和的左下标均添加了m,分别表示t时段的月实测流量、t时段的月模拟流量和T时段月实测流量的平均值;
第三模块,用于以流域内水库群发电量最大为目标,设置约束条件,建立流域水库群联合发电优化调度模型:
其中,M为水库群发电量,S为水库数量,T为总时段,Nij为第i个水库在第j时段的出力,Q′ij为发电流量,Δt为步长;
利用流域断面未来径流情景计算发电流量,将发电流量输入流域水库群联合发电优化调度模型,预测流域未来水电发电能力;
所述约束条件包括水位约束、下泄流量约束、出力约束、水量平衡约束、上下游水力关联。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910820264.4A CN110598290B (zh) | 2019-08-30 | 2019-08-30 | 考虑气候变化的流域未来水电发电能力预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910820264.4A CN110598290B (zh) | 2019-08-30 | 2019-08-30 | 考虑气候变化的流域未来水电发电能力预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598290A CN110598290A (zh) | 2019-12-20 |
CN110598290B true CN110598290B (zh) | 2021-11-19 |
Family
ID=68856728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910820264.4A Active CN110598290B (zh) | 2019-08-30 | 2019-08-30 | 考虑气候变化的流域未来水电发电能力预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598290B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260111B (zh) * | 2020-01-08 | 2023-07-21 | 中国科学院上海技术物理研究所苏州研究院 | 基于气象大数据的径流预报改进方法 |
CN111461452A (zh) * | 2020-04-13 | 2020-07-28 | 西安文理学院 | 一种基于群智能算法的集合径流预测系统与方法 |
CN112163696B (zh) * | 2020-09-14 | 2023-05-02 | 南方电网科学研究院有限责任公司 | 基于水文指数的电力系统稳定性预测方法及装置 |
CN112184479B (zh) * | 2020-09-17 | 2021-08-17 | 长江水利委员会水文局 | 一种水库群调度规则型式和参数对气候变化的适应性研究方法 |
CN112819377A (zh) * | 2021-02-26 | 2021-05-18 | 澜途集思生态科技集团有限公司 | 一种基于时间序列分析的水库水量调节方法 |
CN113139684A (zh) * | 2021-04-22 | 2021-07-20 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 一种流域梯级水库系统月径流预测方法 |
CN115221800B (zh) * | 2022-09-20 | 2022-12-02 | 武汉大学 | 天气发生器和深度学习融合的延伸期径流集合预测方法 |
CN116522604B (zh) * | 2023-04-07 | 2023-12-26 | 中国水利水电科学研究院 | 一种历史场次暴雨洪水灾害场景移植方法 |
CN116739831A (zh) * | 2023-08-16 | 2023-09-12 | 深圳江行联加智能科技有限公司 | 虚拟电厂的电能调度方法、装置、设备及存储介质 |
CN116882718B (zh) * | 2023-09-08 | 2023-12-01 | 湖南大学 | 高温干旱天气下配电网和流域网灵活性资源聚合调控方法 |
CN117172965B (zh) * | 2023-11-03 | 2024-02-09 | 长江三峡集团实业发展(北京)有限公司 | 一种考虑气候变化的梯级水库群水能资源评估方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049671A (zh) * | 2013-01-21 | 2013-04-17 | 武汉大学 | 一种自适应气候变化的水库多目标优化调度图编制方法 |
CN106951980A (zh) * | 2017-02-21 | 2017-07-14 | 河海大学 | 一种基于rcp情景的水库群适应性调度方法 |
CN108133310A (zh) * | 2017-12-11 | 2018-06-08 | 中国水利水电科学研究院 | 一种人类活动和气候变化对河川径流影响的综合评估方法 |
-
2019
- 2019-08-30 CN CN201910820264.4A patent/CN110598290B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049671A (zh) * | 2013-01-21 | 2013-04-17 | 武汉大学 | 一种自适应气候变化的水库多目标优化调度图编制方法 |
CN106951980A (zh) * | 2017-02-21 | 2017-07-14 | 河海大学 | 一种基于rcp情景的水库群适应性调度方法 |
CN108133310A (zh) * | 2017-12-11 | 2018-06-08 | 中国水利水电科学研究院 | 一种人类活动和气候变化对河川径流影响的综合评估方法 |
Non-Patent Citations (4)
Title |
---|
Multi-Objective Operating Rules for Danjiangkou Reservoir Under Climate Change;Guang Yang等;《Water Resour Manage》;20151230;第30卷;第1183-1202页 * |
Projected impacts of climate change on hydropower potential in China;Xingcai Liu等;《Hydrology and Earth System Sciences》;20160822;第20卷;第3343–3359页 * |
大规模混联水库群调度规则研究;许银山等;《水力发电学报》;20110430;第30卷(第2期);第20-25页 * |
考虑未来径流变化的丹江口水库多目标调度规则研究;杨光等;《水力发电学报》;20151231;第34卷(第12期);第54-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110598290A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598290B (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
Oo et al. | Analysis of streamflow response to changing climate conditions using SWAT model | |
Jia et al. | Development of the WEP-L distributed hydrological model and dynamic assessment of water resources in the Yellow River basin | |
Notter et al. | Impacts of environmental change on water resources in the Mt. Kenya region | |
CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
CN111651885A (zh) | 一种智慧型海绵城市洪涝预报方法 | |
CN110781259B (zh) | 一种基于地貌单位线的水文模型的构建方法 | |
CN110674467B (zh) | 基于swat模型的水文过程对气候变化的响应监测方法 | |
CN107563554B (zh) | 一种统计降尺度模型预报因子的筛选方法 | |
CN109033605B (zh) | 一种基于多阶段划分和多单位线选择的流域汇流模拟方法 | |
CN114462518B (zh) | 考虑多要素空间依赖性的区域蒸散发变化归因分析方法 | |
Rao et al. | A distributed model for real-time flood forecasting in the Godavari Basin using space inputs | |
CN112785024A (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
Yan et al. | Modified palmer drought severity index based on distributed hydrological simulation | |
Kaur et al. | Impact of climate change on groundwater levels in Sirhind Canal Tract of Punjab, India | |
CN105138729A (zh) | 基于pso-grnn风电场风电机缺损风速值填充方法 | |
Orkodjo et al. | Impact of climate change on future availability of water for irrigation and hydropower generation in the Omo-Gibe Basin of Ethiopia | |
CN107944466A (zh) | 一种基于分段思想的降雨偏差纠正方法 | |
Yankey et al. | Small hydropower development potential in the Densu River Basin, Ghana | |
Wang et al. | Development of an integrated modeling system for improved multi-objective reservoir operation | |
CN115965243A (zh) | 一种用于土地利用变化下洪涝风险动态评价的模型链 | |
CN113553782B (zh) | 一种用于预报风速的降尺度方法 | |
CN114399103A (zh) | 一种基于cnn的陆水一体化河流水质时空连续预测方法 | |
Weng | Constructing a 1-km Gridded Multi-Scalar Drought Index Dataset (1960-2012) in Taiwan Based on the Standardized Precipitation Evapotranspiration Index-SPEI. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |